Levenberg-Marquardt-Optimized Feed-Forward Neural Network for High-Accuracy Day-Ahead Joint Forecasting of Electricity Load and Market Prices in Smart Grid Environments

Het moderne elektriciteitsnet is niet langer slechts een eenrichtingsverkeer waarbij stroom van een enorme centrale naar een passief huis stroomt. Het is een dynamisch, tweerichtingssysteem geworden waarbij zonnepanelen op daken, elektrische voertuigen en slimme apparaten constant met de markt interageren. In deze complexe omgeving doen twee getallen er meer toe dan bijna elk ander getal: hoeveel elektriciteit mensen morgen nodig zullen hebben, en wat die elektriciteit zal kosten. Deze twee cijfers zijn diep met elkaar verbonden; wanneer de vraag piekt of de wind stopt met waaien, kunnen de prijzen omhoog schieten, en wanneer de prijzen stijgen, passen mensen vaak hun energieverbruik aan. Het goed voorspellen van deze cijfers is essentieel. Als een nutsbedrijf het fout raadt, kan het geld verspillen aan het kopen van dure stroom of zorgen dat de lichten knipperen. Als een elektriciteitscentrale het fout raadt, kan het de kans missen om energie te verkopen of blijven zitten met een rekening die het niet kan betalen. Decennialang hebben experts geprobeerd deze getallen te voorspellen met behulp van statistische instrumenten, maar de enorme onvoorspelbaarheid van het weer en menselijk gedrag heeft de taak uiterst moeilijk gemaakt.

Een team van onderzoekers heeft nu een nieuwe manier voorgesteld om dit probleem aan te pakken, waarbij de focus ligt op een specif으로 type computerprogramma dat is ontworpen om te leren van patronen uit het verleden. In plaats van te proberen de belasting en de prijs afzonderlijk te voorspellen, hebben ze één enkel systeem gebouwd dat beide tegelijkertijd raadt. Denk bij dit systeem aan een student die een geschiedenisboek bestudeert om te begrijpen hoe twee gerelateerde gebeurtenissen, zoals het weer en de drukte in een park, elkaar beïnvloeden, in plaats van te proberen over het weer en de drukte in twee verschillende klassen te leren. De onderzoekers gebruikten een methode genaamd het Levenberg-Marquardt-algoritme om dit systeem te trainen. In eenvoudige bewoordingen is dit een geavanceerde wiskundige techniek die de computer helpt veel sneller en betrouwbaarder te leren, door de interne instellingen aan te passen om de beste mogere fit voor de gegevens te vinden zonder vast te lopen in doodlopende wegen.

Het team testte hun aanpak met behulp van real-world data van de PJM Interconnection, een enorme elektriciteitsmarkt die delen van het oosten van de Verenigde Staten beslaat. Ze voedden de computer met uren aan historische informatie, inclusal eerdere elektriciteitsconsumptie, eerdere prijzen, weersverwachtingen en zelfs voorspellingen over hoeveel hernieuwbare energie beschikbaar zou zijn. De computer kreeg de opdracht om al deze informatie te bekijken en de volgende vierentwintig uur van zowel de belasting als de prijs gelijktijdig te voorspellen. De resultaten waren indrukwekkend. Wanneer vergeleken met andere populaire voorspellingsinstrumenten, inclusief standaard neurale netwerken en traditionele statistische modellen, maakte dit nieuwe systeem consequent minder fouten voor zowel de elektriciteitsbelasting als de marktprijzen. Het behaalde de laagste foutmetingen over de hele linie, presteerde beter dan baseline-methoden zoals persistentie en ARIMA, en bewees dat de gezamenlijke modelleringsaanpak de complexe dynamiek van de markt succesvol kon vangen.

Wat dit resultaat bijzonder nuttig maakt, is niet alleen de nauwkeurigheid, maar ook de snelheid en eenvoud van de oplossing voor belastingvoorspelling. Veel moderne kunstmatige intelligentiemodellen vereisen enorme hoeveelheden rekenkracht en hebben een lange tijd nodig om getraind te worden, wat ze moeilijk inzetbaar maakt in real-time situaties waarin snel beslissingen moeten worden genomen. Dit nieuwe model is echter relatief compact en traint zeer snel. Het slaagt erin de complexe, verborgen relaties tussen hoeveel stroom mensen gebruiken en wat die stroom kost te vangen, zonder de zware machines van complexere deep-learning systemen nodig te hebben. De onderzoekers ontdekten dat door het "denkgedeelte" van het netwerk te delen tussen de twee voorspellingen, het systeem leerde dat een hoge vraag vaak leidt tot hoge prijzen, en dat deze patronen op voorspelbare manieren herhalen op basis van het tijdstip van de dag en de dag van de week.

De studie keek ook nauwgezet naar hoe het model presteerde in de loop van de tijd, waarbij werd gecontroleerd of het verschillende seizoenen en ongebruikelijke marktomstandigheden kon afhandelen. De analyse toonde aan dat de fouten voor de belasting gelijkmatig verdeeld waren, wat betekent dat het systeem de cijfers niet consistent overschat of onderschat. Het hanteerde de dagelijkse cycli goed en voorspelde de pieken in het gebruik in de ochtend en avond met hoge getrouwheid. Hoewel de onderzoekers opmerkten dat de nauwkeurigheid van de prijsvoorspelling nog steeds sterk afhangt van de kwaliteit van de weers- en hernieuwbare energieverwachtingen die aan het systeem worden geleverd, bleek de kernmethode robuust voor beide variabelen. Ze wezen er ook op dat deze aanpak zich richt op het geven van één enkele beste gok voor de toekomst, in plaats van een reeks mogelijkheden, wat een beperking is voor sommige risicobeheertaken maar ideaal is voor directe operationele planning.

Uiteindelijk demonstreert dit werk dat soms de meest effectieve oplossing niet de meest complexe is. Door een ouder, goed begrepen type computerprogramma te verfijnen met een krachtige trainingsmethode, creëerden de onderzoekers een hulpmiddel dat zowel snel als nauwkeurig genoeg is om te helpen bij het beheren van de delicate balans van een modern slim elektriciteitsnet met betrekking tot de vraag naar elektriciteit en marktprijzen. Het vermogen om zowel de vraag naar elektriciteit als de kosten ervan in één enkele, snelle berekening te voorspellen, biedt een praktisch voordeel voor de mensen die de lichten aanhouden en de markten draaiende houden. Nu het elektriciteitsnet blijft evolueren met meer hernieuwbare energie en elektrische voertuigen, wordt het hebben van een betrouwbare, efficiënte manier om deze tweeledige uitdagingen te voorzien steeds essentieel. Deze studie suggereert dat we met de juiste wiskundige instrumenten de onzekerheid van het toekomstige elektriciteitsnet met een helderder beeld kunnen navigeren dan ooit tevoren.